一种混合交通场景通感算资源分配方法、系统、设备及介质

1.本发明属于无线通信技术领域，具体涉及一种混合交通场景通感算资源分配方法、系统、设备及介质。


背景技术：

2.近年来，随着越来越多的智能网联车cavs进入市场，将迎来传统车辆hdvs和智能网联车cavs共存的混合交通时代，有计算密集型任务卸载需求的车辆需要通过车辆到车辆v2v通信将任务卸载到周围可用自动驾驶车辆上。然而，一定区域内的有闲置计算资源的自动驾驶车辆有限，且由于有传统车辆hdvs的存在导致了车辆之间的距离会与全智能网联车cavs场景有所不同，从而对传输速率造成影响。
3.现有技术中，对混合交通场景中车辆之间协同计算的资源分配策略的研究甚少，而相似场景中可参考的算法却是丰富的。在诸多研究当中，移动边缘计算被认为是很有前景的技术，在设备进行任务卸载过程中被广泛应用。
4.文献“distributed deep learning-based offloading for mobile edge computing networks，mobile netw appl 27,1123
–
1130(2022)”中提出了一种基于深度学习的分布式卸载算法，用于移动边缘计算mec网络，其使用多个并行深度神经网络dnn来生成卸载决策。其应用场景中涉及多个无线设备和一个边缘服务器，对于无线设备是否将任务卸载到边缘服务器的问题，作者通过最小化所有无线设备的能耗和任务完成延迟的加权总和来生成卸载决策，以此来节约能源并保证无线设备的服务质量。
5.文献“deep reinforcement learning based computing offloading for mec-assisted heterogeneous vehicular networks，2020 ieee 20th international conference on communication technology(icct),nanning,china,2020,pp.927-932.”中提出了一种基于深度强化学习的车辆边缘计算卸载解决方案，设计了串行和并行卸载方案两种计算卸载方案，并将优化问题表述为马尔可夫决策过程问题，以高计算时延为代价，助力总计算速率的提高。
6.上述现有技术均在其应用场景中提高了任务卸载的效率，而其直接应用于混合交通场景却是困难的，混合交通场景中需要对hdvs的影响进行考虑，而显然上述方法中未考虑第三方参与者的影响。


技术实现要素：

7.为了克服上述现有技术的不足，本发明的目的在于提供一种混合交通场景通感算资源分配方法、系统、设备及介质，通过对边缘计算和本地计算中的时延和能耗进行建模，得到能耗和时延加权和的系统效用；以最小化系统效用为目的，通过深度强化学习生成最佳卸载动作，本发明可提高混合交通场景中车辆到车辆的任务卸载效率，缓解资源供需矛盾，具有能够快速得到最佳卸载动作的特点。
8.一种混合交通场景通感算资源分配方法，包括以下步骤：
9.步骤1，建立混合交通场景车辆到车辆v2v通信模型；
10.步骤2，基于步骤1中建立的混合交通场景车辆到车辆v2v通信模型，计算混合交通场景中作为边缘服务器的智能网联车cav，即服务车辆sv的能耗和时延；
11.步骤3，基于步骤1中建立的混合交通场景车辆到车辆v2v通信模型，计算本地能耗和时延；
12.步骤4，根据步骤2和步骤3中混合交通场景下车辆到车辆v2v通信的能耗和时延公式，建立与时延和能耗相关的资源优化问题r；
13.步骤5，通过最小化资源优化问题r的目标函数q(d,x)，得到最佳卸载动作{xm}，完成对智能网联车cavs场景下车辆到车辆v2v资源的分配。
14.所述步骤1的具体方法为：
15.所述混合交通场景包括智能网联车cavs和传统车辆hdvs，智能网联车cavs之间通过车辆到车辆v2v链路进行通信，智能网联车cavs分为客户车辆cvs和服务车辆svs，在执行卸载决策时，客户车辆cvs将任务卸载到服务车辆svs或是在本地进行处理；
16.利用车联网仿真软件随机生成n辆车辆，并根据渗透率p随机选取其中的n
cav
辆作为参与计算的智能网联车cavs，其余为传统车辆hdvs,其中n
cav
可由下式得出：
17.n
cav
＝pn
18.其中，n
cav
代表cav数量，p代表渗透率，n代表所有车辆。
19.所述步骤2的具体方法为：
20.2.1，计算客户车辆cv将其任务m卸载到服务车辆sv进行处理的总能耗：
[0021][0022]
其中，dm表示第m个任务的工作负载，表示客户车辆cv将其工作负载m上传到服务车辆sv所消耗的能量，其中α是服务器能耗的权重，当α＝0时，只考虑客户车辆cv的能耗，能耗包括发送任务的能耗和执行此任务的服务器实用程序能耗；
[0023]
2.2，计算当客户车辆cv将其任务m卸载到服务车辆sv时的传输延迟，由下式给出：
[0024][0025]
其中，dm表示第m个任务的工作负载，c表示客户车辆cv与服务车辆sv之间通信的带宽；
[0026]
2.3，计算服务车辆sv处理延迟，由下式给出：
[0027][0028]
其中，dm表示第m个任务的工作负载，fc表示服务器处理速率；
[0029]
2.4，根据卸载决策{xm}，计算客户车辆cv将任务卸载到服务车辆sv，进行处理的总延迟，由下式给出：
[0030][0031]
其中，表示客户车辆cv将其任务m卸载到服务车辆sv时的传输延迟，表示服务
车辆sv处理延迟，xm表示任务m的卸载决策。
[0032]
所述步骤3的具体方法为：
[0033]
3.1，计算客户车辆cv在本地执行其任务m的能耗，由下式给出：
[0034][0035]
其中，dm表示第m个任务的工作负载，e
l
表示客户车辆cv的每个数据位的本地能耗；
[0036]
3.2，计算客户车辆cv执行其任务m的总处理时间，由下式给出：
[0037][0038]
其中，dm表示第m个任务的工作负载，t
l
表示客户车辆cv的每个数据位的本地处理时间；
[0039]
3.3，根据客户车辆cv的卸载决策{xm}，计算客户车辆cv在本地完成其任务的总延迟，由下式给出：
[0040][0041]
其中，表示客户车辆cv执行其任务m的总处理时间，xm表示任务m的卸载决策。
[0042]
所述步骤4的具体方法为：
[0043]
4.1假设车辆到车辆v2v通信速度和每公里能耗损失不变的情况下，对混合交通场景下车辆到车辆v2v之间通信的传输时延和传输能耗与渗透率p，即智能网联车cav占有率之间的关系为：
[0044]
定义渗透率p公式如下：
[0045][0046]
其中，p代表渗透率(penetration)，n
cav
表示智能网联车数量，n
hdv
表示传统车辆数量；
[0047]
限定一段长为s0单行公路，在这段公路上，通信车辆包括智能网联车cavs和传统车辆hdvs，假设智能网联车cav均匀分布在这段公路上，该段公路上的车流密度不变，任何两辆相邻车间距离固定为d0，该段公路所能容纳的车辆数固定为n0，假设相邻两辆智能网联车cavs之间的距离为d
cav
，存在以下关系式：
[0048]
(n
0-1)d0＝s0[0049]ncav
+n
hdv
＝n0[0050]
(n
cav
+n
hdv-1)d0＝s0[0051]
当s0＞＞d
cav
，下式成立：
[0052]
(n
cav-1)d
cav
＝s0[0053]
即：
[0054]
(n
cav-1)d
cav
＝(n
cav
+n
hdv-1)d0[0055]
当n
cav
＞＞1，n0＞＞1时，下式成立：
[0056][0057]
在通信速度不变的情况下，通信时延与通信距离成正比，通信时延与成正比，通信时延与渗透率成反比，假设能耗在传输过程中每公里损失相同的量，则传输能耗也与距离成正比，与渗透率成反比；
[0058]
4.2，根据混合交通场景下车辆到车辆v2v之间通信的渗透率p和全智能网联车cav场景下的传输时延，计算该渗透率下的传输时延，表示如下：
[0059][0060]
其中，为全智能网联车cav场景下的传输时延；
[0061]
根据混合交通场景下车辆到车辆v2v之间通信的渗透率p和全智能网联车cav场景下的传输能耗，计算该渗透率下的传输能耗，表示如下：
[0062][0063]
其中，表示全智能网联车cav场景下的传输能耗；
[0064]
4.3，利用系统效用q(d,x)，定义为能耗和任务完成延迟的加权和：
[0065][0066]
其中，β表示能耗和任务完成时间的权重；
[0067]
4.4，制定资源优化问题r，对于客户车辆cv的任务传输，通过优化其卸载决策{xm}，以达到q值得最小化，可以表示如下：
[0068]
r:
[0069]
s.t.xm∈{0,1}
[0070]
其中，q(d,x)表示系统效用，xm表示任务m的卸载决策。
[0071]
所述步骤5的具体方法为：
[0072]
5.1，使用多个并行深度神经网络dnn生成二进制卸载决策，选择系统效用最小的一组卸载决策x
*
作为输出，存储(d,x
*
)并用于之后训练dnn，重复以上过程直到系统效用q(d,x)取得该场景下的最小值；
[0073]
5.2，将增益比gain ratio设为历史最小系统效用和当前系统效用之比；
[0074]
5.3，根据上述设置，当gain ratio收敛时，得到最小化系统效用对应的卸载策略，完成对该混合交通场景下智能网联车cav之间的资源分配。
[0075]
所述客户车辆cvs将任务卸载到服务车辆svs或是在本地进行处理的具体方法为：
[0076]
假设一个客户车辆cv有m个独立的任务要进行处理，表示为：用dm表示第m个任务的工作负载，客户车辆cv可以决定是否将其任务m卸载到服务车辆sv，该过程由一组二进制卸载决策来表示，卸载决策用变量xm来表示，xm表示第m个任务的卸载决策，其中，xm∈{0,1}，xm＝1表示客户车辆cv决定将任务m卸载到服务车辆sv，xm＝0表示客户车辆cv决定在本地执行任务m。
[0077]
本发明还提供了一种混合交通场景通感算资源分配系统，包括：
[0078]
计算传输时延模块：利用渗透率p，计算混合交通场景中作为边缘服务器的智能网联车cav，即服务车辆sv的时延；
[0079]
计算传输能耗模块：利用渗透率p，计算混合交通场景中作为边缘服务器的智能网联车cav，即服务车辆sv的能耗；
[0080]
计算本地能耗模块；依据任务量大小计算本地处理任务所需的能耗；
[0081]
计算本地时延模块：依据任务量大小计算本地处理任务所需的时延；
[0082]
卸载决策生成模块：建立与能耗和时延相关的资源优化问题和卸载决策生成，通过最小化系统效用得到二进制卸载决策，用于完成资源分配。
[0083]
本发明还提供了一种混合交通场景通感算资源分配设备，包括：
[0084]
存储器：存储上述一种混合交通场景通感算资源分配方法的计算机程序，为计算机可读取的设备；
[0085]
处理器：用于执行所述计算机程序时实现所述的一种混合交通场景通感算资源分配方法。
[0086]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现所述的一种混合交通场景通感算资源分配方法。
[0087]
与现有技术相比，本发明的有益效果为：
[0088]
1、明确了混合交通场景中传统车辆hdvs对智能网联车cavs之间通信的影响；
[0089]
本发明在研究混合交通场景中的传统车辆hdvs对智能网联车cavs之间通信的影响时，通过证明渗透率对智能网联车cavs之间距离的影响，根据距离与传输时延和传输能耗的关系，从而证明了渗透率对传输时延以及传输能耗的影响，得出传输时延、传输能耗均与渗透率成反比的结论。
[0090]
2、更大程度上缓解了资源供需矛盾；
[0091]
本发明赋予智能网联车cavs移动边缘服务器的功能，可以更大程度的缓解资源供需矛盾，作为移动边缘服务器的路边单元数量是有限的，而且车辆容易离开其工作范围，相比之下，智能网联车cavs之间具有更长的伴行时间，且具有计算资源的智能网联车cavs数量更多。利用有空闲计算资源的智能网联车cavs进行任务卸载可以带来更大的效益，显著缓解了资源供需矛盾，提高了通信质量。
[0092]
3、本发明相较于现有方法的基础上，考虑到车辆到车辆v2v通信中一方可以作为移动边缘服务器，并且考虑传统车辆hdvs的对传输时延和传输能耗的影响，从而实现混合交通场景车辆到车辆v2v资源分配策略，提高车辆任务卸载效率。
[0093]
综上所述，与现有技术相比，本发明基于混合交通场景进行资源分配策略，能够提高混合交通场景中的车辆任务卸载效率，减少车辆成本消耗，具有快速得出卸载动作、降低
车辆任务处理的总能耗和总时延的优点。
附图说明
[0094]
图1为本发明的实现流程框图。
[0095]
图2为本发明的场景示意图。
[0096]
图3为本发明中证明传输能耗和传输时延与渗透率的关系图。
[0097]
图4为本发明不同渗透率下的增益比对比仿真图。
[0098]
图5为本发明不同渗透率下不同任务处理方法的系统效用对比仿真图。
具体实施方式
[0099]
下面结合附图对本发明的技术方案作进一步介绍。
[0100]
一种混合交通场景通感算资源分配方法，包括以下步骤：
[0101]
如图1所示，步骤1，建立混合交通场景车辆到车辆v2v通信模型；
[0102]
如图2所示，本发明使用的所述混合交通场景包括智能网联车cavs和传统车辆hdvs，智能网联车cavs之间通过车辆到车辆v2v链路进行通信，智能网联车cavs又可以分为客户车辆cvs和服务车辆服务车辆svs，在执行卸载决策时，客户车辆cvs将任务卸载到服务车辆svs或是在本地进行处理；
[0103]
利用车联网仿真软件随机生成n辆车辆，并根据渗透率p随机选取其中的n
cav
辆作为参与计算的智能网联车cavs，其余为传统车辆hdvs,其中n
cav
可由下式得出：
[0104]ncav
＝pn
[0105]
其中，n
cav
代表智能网联车cav数量，p代表渗透率，n代表所有车辆；
[0106]
假设一个客户车辆cv有m个独立的任务要进行处理，表示为：用dm表示第m个任务的工作负载，客户车辆cv可以决定是否将其任务m卸载到服务车辆sv，这个过程由一组二进制卸载决策来表示，卸载决策用变量xm来表示，xm表示第m个任务的卸载决策，其中，xm∈{0,1}，具体来说，xm＝1表示客户车辆cv决定将任务m卸载到服务车辆sv，xm＝0表示客户车辆cv决定在本地执行任务m。
[0107]
步骤2，基于步骤1中建立的混合交通场景车辆到车辆v2v通信模型，计算混合交通场景中作为边缘服务器的智能网联车cav，即服务车辆sv的能耗和时延；
[0108]
2.1，计算客户车辆cv将其任务m卸载到服务车辆sv进行处理的总能耗：
[0109][0110]
其中，dm表示第m个任务的工作负载，表示客户车辆cv将其工作负载m上传到服务车辆sv所消耗的能量，其中α是服务器能耗的权重，当α＝0时，只考虑客户车辆cv的能耗，能耗包括发送任务的能耗和执行此任务的服务器实用程序能耗；
[0111]
2.2，计算当客户车辆cv将其任务m卸载到服务车辆sv时的传输延迟，由下式给出：
[0112][0113]
其中，dm表示第m个任务的工作负载，c表示客户车辆cv与服务车辆sv之间通信的
带宽；
[0114]
2.3，计算服务车辆sv处理延迟，由下式给出：
[0115][0116]
其中，dm表示第m个任务的工作负载，fc表示服务器处理速率；
[0117]
2.4，根据卸载决策{xm}，计算客户车辆cv将任务卸载到服务车辆sv，进行处理的总延迟，由下式给出：
[0118][0119]
其中，表示客户车辆cv将其任务m卸载到服务车辆sv时的传输延迟，表示服务车辆sv处理延迟，xm表示任务m的卸载决策。
[0120]
步骤3，基于步骤1中建立的混合交通场景车辆到车辆v2v通信模型，计算本地能耗和时延；
[0121]
3.1，计算客户车辆cv在本地执行其任务m的能耗，由下式给出：
[0122][0123]
其中，dm表示第m个任务的工作负载，e
l
表示客户车辆cv的每个数据位的本地能耗；
[0124]
3.2，计算客户车辆cv执行其任务m的总处理时间，由下式给出：
[0125][0126]
其中，dm表示第m个任务的工作负载，t
l
表示客户车辆cv的每个数据位的本地处理时间；
[0127]
3.3，根据客户车辆cv的卸载决策{xm}，计算客户车辆cv在本地完成其任务的总延迟，由下式给出：
[0128][0129]
其中，表示客户车辆cv执行其任务m的总处理时间，xm表示任务m的卸载决策。
[0130]
步骤4，根据步骤2和步骤3中混合交通场景下车辆到车辆v2v通信的能耗和时延公式，建立与时延和能耗相关的资源优化问题r；
[0131]
4.1假设车辆到车辆v2v通信速度和每公里能耗损失不变的情况下，对混合交通场景下车辆到车辆v2v之间通信的传输时延和传输能耗与渗透率p，即智能网联车cav占有率之间的关系为：
[0132]
定义渗透率p公式如下：
[0133][0134]
其中p代表渗透率(penetration)，n
cav
表示智能网联车数量，n
hdv
表示传统车辆数量；
[0135]
如图3所示，是步骤4中对理想情况下传输时延和传输能耗与渗透率的关系证明的参考模型。
[0136]
限定一段长为s0单行公路，在这段公路上，通信车辆包括智能网联车cavs和传统车辆hdvs，我们假设一个比较理想的情况，智能网联车cav均匀分布在这段公路上，该段公路上的车流密度不变，也就是任何两辆相邻车间距离固定为d0，在该情况下，该段公路所能容纳的车辆数固定为n0，假设相邻两辆智能网联车cavs之间的距离为d
cav
，存在以下关系式：
[0137]
(n
0-1)d0＝s0[0138]ncav
+n
hdv
＝n0[0139]
(n
cav
+n
hdv-1)d0＝s0[0140]
当s0＞＞d
cav
，下式成立：
[0141]
(n
cav-1)d
cav
＝s0[0142]
即：
[0143]
(n
cav-1)d
cav
＝(n
cav
+n
hdv-1)d0[0144]
当n
cav
＞＞1，n0＞＞1时，下式成立：
[0145][0146]
在通信速度不变的情况下，因为通信时延与通信距离成正比，所以通信时延与成正比，所以通信时延与渗透率成反比，假设能耗在传输过程中每公里损失相同的量，则传输能耗也与距离成正比，与渗透率成反比；
[0147]
4.2，根据混合交通场景下车辆到车辆v2v之间通信的渗透率p和全智能网联车cav场景下的传输时延，计算该渗透率下的传输时延，表示如下：
[0148][0149]
其中，为全智能网联车cav场景下的传输时延；
[0150]
根据混合交通场景下车辆到车辆v2v之间通信的渗透率p和全智能网联车cav场景下的传输能耗，计算该渗透率下的传输能耗，表示如下：
[0151][0152]
其中，表示全智能网联车cav场景下的传输能耗；
[0153]
4.3，利用一个系统效用q(d,x)，定义为能耗和任务完成延迟的加权和：
[0154][0155]
其中，β表示能耗和任务完成时间的权重；
[0156]
4.4，制定一个资源优化问题r，对于客户车辆cv的任务传输，通过优化其卸载决策{xm}，以达到q值得最小化，可以表示如下：
[0157]
r:
[0158]
s.t.xm∈{0,1}
[0159]
其中，q(d,x)表示系统效用，xm表示任务m的卸载决策。
[0160]
步骤5，通过最小化资源优化问题r的目标函数q(d,x)，得到最佳卸载动作{xm}，完成对智能网联车cavs场景下车辆到车辆v2v资源的分配。
[0161]
5.1，使用多个并行深度神经网络dnn生成二进制卸载决策，选择系统效用最小的一组卸载决策x
*
作为输出，存储(d,x
*
)并用于之后训练dnn，重复以上过程直到系统效用q(d,x)取得该场景下的最小值；
[0162]
5.2，将增益比gain ratio设为历史最小系统效用和当前系统效用之比；
[0163]
5.3，根据上述设置，当gain ratio收敛时，得到最小化系统效用对应的卸载策略，完成对该混合交通场景下智能网联车cav之间的资源分配。
[0164]
如图4所示，是步骤5中增益比的收敛性能，其中包含4种渗透率下的曲线，与现有技术相比，其在混合交通场景下的运用可以带来较好的收益。
[0165]
如图5所示，是任务只进行本地处理、只进行边缘服务器处理和利用本发明得到的卸载决策进行处理得到的系统效用对比图，可以看出，在渗透率较高时，使用本发明的卸载决策能够带来更好的收益，即更小的系统效用。
[0166]
本发明还提供了一种混合交通场景通感算资源分配系统，包括：
[0167]
计算传输时延模块：计算步骤2中的传输时延，利用渗透率p，计算混合交通场景中作为边缘服务器的智能网联车cav，即服务车辆sv的时延；
[0168]
计算传输能耗模块：计算步骤2中的传输能耗，利用渗透率p，计算混合交通场景中作为边缘服务器的智能网联车cav，即服务车辆sv的能耗；
[0169]
计算本地能耗模块；计算步骤3中的本地能耗，依据任务量大小计算本地处理任务所需的能耗；
[0170]
计算本地时延模块：计算步骤3中的本地时延，依据任务量大小计算本地处理任务所需的时延；
[0171]
卸载决策生成模块：实现步骤4中建立与能耗和时延相关的资源优化问题和步骤5中卸载决策生成，通过最小化系统效用得到二进制卸载决策，用于完成资源分配。
[0172]
本发明还提供了一种混合交通场景通感算资源分配设备，包括：
[0173]
存储器：存储上述一种混合交通场景通感算资源分配方法的计算机程序，为计算机可读取的设备；
[0174]
处理器：用于执行所述计算机程序时实现所述的一种混合交通场景通感算资源分配方法。
[0175]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现所述的一种混合交通场景通感算资源分配方法。

技术特征：
1.一种混合交通场景通感算资源分配方法，其特征在于：包括以下步骤：步骤1，建立混合交通场景车辆到车辆v2v通信模型；步骤2，基于步骤1中建立的混合交通场景车辆到车辆v2v通信模型，计算混合交通场景中作为边缘服务器的智能网联车cav，即服务车辆sv的能耗和时延；步骤3，基于步骤1中建立的混合交通场景车辆到车辆v2v通信模型，计算本地能耗和时延；步骤4，根据步骤2和步骤3中混合交通场景下车辆到车辆v2v通信的能耗和时延公式，建立与时延和能耗相关的资源优化问题r；步骤5，通过最小化资源优化问题r的目标函数q(d,x)，得到最佳卸载动作{x
m
}，完成对智能网联车cavs场景下车辆到车辆v2v资源的分配。2.根据权利要求1所述的一种混合交通场景通感算资源分配方法，其特征在于：所述步骤1的具体方法为：所述混合交通场景包括智能网联车cavs和传统车辆hdvs，智能网联车cavs之间通过车辆到车辆v2v链路进行通信，智能网联车cavs分为客户车辆cvs和服务车辆svs，在执行卸载决策时，客户车辆cvs将任务卸载到服务车辆svs或是在本地进行处理；利用车联网仿真软件随机生成n辆车辆，并根据渗透率p随机选取其中的n
cav
辆作为参与计算的智能网联车cavs，其余为传统车辆hdvs,其中n
cav
可由下式得出：n
cav
＝pn其中，n
cav
代表智能网联车cav数量，p代表渗透率，n代表所有车辆。3.根据权利要求1所述的一种混合交通场景通感算资源分配方法，其特征在于：所述步骤2的具体方法为：2.1，计算客户车辆cv将其任务m卸载到服务车辆sv进行处理的总能耗：其中，d
m
表示第m个任务的工作负载，表示客户车辆cv将其工作负载m上传到服务车辆sv所消耗的能量，其中α是服务器能耗的权重，当α＝0时，只考虑客户车辆cv的能耗，能耗包括发送任务的能耗和执行此任务的服务器实用程序能耗；2.2，计算当客户车辆cv将其任务m卸载到服务车辆sv时的传输延迟，由下式给出：其中，d
m
表示第m个任务的工作负载，c表示客户车辆cv与服务车辆sv之间通信的带宽；2.3，计算服务车辆sv处理延迟，由下式给出：其中，d
m
表示第m个任务的工作负载，f
c
表示服务器处理速率；2.4，根据卸载决策{x
m
}，计算客户车辆cv将任务卸载到服务车辆sv，进行处理的总延迟，由下式给出：
当n
cav
＞＞1，n0＞＞1时，下式成立：在通信速度不变的情况下，通信时延与通信距离成正比，通信时延与成正比，通信时延与渗透率成反比，假设能耗在传输过程中每公里损失相同的量，则传输能耗也与距离成正比，与渗透率成反比；4.2，根据混合交通场景下车辆到车辆v2v之间通信的渗透率p和全智能网联车cav场景下的传输时延，计算该渗透率下的传输时延，表示如下：其中，为全智能网联车cav场景下的传输时延；根据混合交通场景下车辆到车辆v2v之间通信的渗透率p和全智能网联车cav场景下的传输能耗，计算该渗透率下的传输能耗，表示如下：其中，表示全智能网联车cav场景下的传输能耗；4.3，利用系统效用q(d,x)，定义为能耗和任务完成延迟的加权和：其中，β表示能耗和任务完成时间的权重；4.4，制定资源优化问题r，对于客户车辆cv的任务传输，通过优化其卸载决策{x
m
}，以达到q值得最小化，可以表示如下：r:s.t.x
m
∈{0,1}其中，q(d,x)表示系统效用，x
m
表示任务m的卸载决策。6.根据权利要求1所述的一种混合交通场景通感算资源分配方法，其特征在于：所述步骤5的具体方法为：5.1，使用多个并行深度神经网络dnn生成二进制卸载决策，选择系统效用最小的一组卸载决策x
*
作为输出，存储(d,x
*
)并用于之后训练dnn，重复以上过程直到系统效用q(d,x)取得该场景下的最小值；5.2，将增益比gain ratio设为历史最小系统效用和当前系统效用之比；5.3，根据上述设置，当gain ratio收敛时，得到最小化系统效用对应的卸载策略，完成
对该混合交通场景下智能网联车cav之间的资源分配。7.根据权利要求2所述的一种混合交通场景通感算资源分配方法，其特征在于：所述步骤1中客户车辆cvs将任务卸载到服务车辆svs或是在本地进行处理的具体方法为：假设一个客户车辆cv有m个独立的任务要进行处理，表示为：用d
m
表示第m个任务的工作负载，客户车辆cv可以决定是否将其任务m卸载到服务车辆sv，该过程由一组二进制卸载决策来表示，卸载决策用变量x
m
来表示，x
m
表示第m个任务的卸载决策，其中，x
m
∈{0,1}，x
m
＝1表示客户车辆cv决定将任务m卸载到服务车辆sv，x
m
＝0表示客户车辆cv决定在本地执行任务m。8.一种混合交通场景通感算资源分配系统，其特征在于：包括：计算传输时延模块：利用渗透率p，计算混合交通场景中作为边缘服务器的智能网联车cav，即服务车辆sv的时延；计算传输能耗模块：利用渗透率p，计算混合交通场景中作为边缘服务器的智能网联车cav，即服务车辆sv的能耗；计算本地能耗模块；依据任务量大小计算本地处理任务所需的能耗；计算本地时延模块：依据任务量大小计算本地处理任务所需的时延；卸载决策生成模块：建立与能耗和时延相关的资源优化问题和卸载决策生成，通过最小化系统效用得到二进制卸载决策，用于完成资源分配。9.一种混合交通场景通感算资源分配设备，其特征在于：包括：存储器：存储权利要求1-7任一项所述的一种混合交通场景通感算资源分配方法的计算机程序，为计算机可读取的设备；处理器：用于执行所述计算机程序时实现权利要求1-7任一项所述的一种混合交通场景通感算资源分配方法。10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时能够实现权利要求1-7任一项所述的一种混合交通场景通感算资源分配方法。

技术总结
一种混合交通场景通感算资源分配方法、系统、设备及介质，包括：建立混合交通场景车辆到车辆V2V通信模型；计算混合交通场景中作为边缘服务器的智能网联车CAV，即服务车辆SV的能耗和时延；计算本地能耗和时延；建立与时延和能耗相关的资源优化问题R；通过最小化资源优化问题R的目标函数Q(d,x)，得到最佳卸载动作{x


技术研发人员：岳文伟 李玉菊 范逸馨 李景丽 李长乐
受保护的技术使用者：西安电子科技大学
技术研发日：2023.06.20
技术公布日：2023/9/13